高炉炼铁过程是钢铁冶炼的一个重要流程环节,铁矿石经还原过程转化成生铁,为后续炼钢、轧钢流程提供重要的原料。高炉炼铁过程的碳效对于整个钢铁冶炼实现绿色制造与节能降耗,提升企业核心竞争力有着重大意义。然而,由于高炉炼铁过程机理复杂,固液气多相耦合,工况变化频繁,生产存在时滞,这些都使得碳效计算模型难以准确建立。因此,研究有效的高炉炼铁过程碳效计算模型具有重要的意义。在对高炉过程炼铁机理及工艺特性深入分析的基础上,本文提出高炉炼铁过程碳效计算指标与模型结构。包括确立综合碳耗和CO/CO2比值作为碳效指标,建立基于炼铁机理的碳耗计算模型和基于遗传算法与BP神经网络的CO/CO2比值模型。为建立基于炼铁机理的综合碳耗模型,首先采集生产参数,建立适合现场应用的直接还原度计算模型。基于直接还原度计算结果,进一步计算各项碳耗,得出在当前炼铁过程条件下的碳耗下限值。针对CO/CO2(?)匕值模型,通过关联性分析选取影响CO/CO2的主要过程参数,通过滤波、数值替换后为关联模型提供输入。其次设计神经网络结构,建立基于BP神经网络模型,然后基于遗传算法对模型进行优化,完成基于遗传算法优化的CO/CO2比值BP神经网络模型的建立。最后基于某钢铁企业1#高炉过程的实际运行数据,对本文提出的碳效计算模型进行实例计算与仿真研究。结果表明,本文提出的碳效计算模型能有效反映过程的特性,便于计算并且精度可靠,验证了本文所提方法的有效性和适用性。